Inconvénients : les modèles linéaires peuvent ne pas être capables de gérer des relations complexes.
Arbre de décision:
Avantages : facile à expliquer, capable de gérer des relations non linéaires.
Inconvénients : Facile à surajuster, nécessitant une taille ou d’autres méthodes de régularisation.
Forêt aléatoire:
Avantages : Résistance au surajustement, bonne robustesse et performances puissantes.
Inconvénients : La quantité de calcul est importante et le temps de prédiction est long.
Machine à vecteurs de support (SVM):
Avantages : Il fonctionne bien dans un espace de grande dimension et peut gérer des relations non linéaires.
Inconvénients : temps d'entraînement long et nécessité d'ajuster les paramètres.
regroupement
Avantages : Pas besoin d’étiqueter les données.
Inconvénients : sensible à la sélection des valeurs et des paramètres initiaux, fonctionne mal dans les ensembles de données avec beaucoup de bruit et de valeurs aberrantes, et est difficile à traiter des données de grande dimension et de grands ensembles de données.